পড়ার আনুমানিক সময়: 6 minuti
কোম্পানিগুলি ব্যবসায়িক ক্রিয়াকলাপগুলির সাথে যুক্ত ক্রমবর্ধমান পরিমাণে ডেটা তৈরি করছে, যা ভবিষ্যদ্বাণীমূলক বিশ্লেষণে নতুন করে আগ্রহের দিকে পরিচালিত করে, এমন একটি ক্ষেত্র যা প্যাটার্নগুলি সনাক্ত করতে, ফলাফলের পূর্বাভাস দিতে এবং সিদ্ধান্ত নেওয়ার গাইড করার জন্য বড় ডেটা সেট বিশ্লেষণ করে৷ কোম্পানিগুলিও একটি জটিল এবং ক্রমবর্ধমান পরিসরের অপারেশনাল ঝুঁকির সম্মুখীন হয় যা সক্রিয়ভাবে চিহ্নিত করা এবং প্রশমিত করা প্রয়োজন। যদিও অনেক কোম্পানি বিপণন/বিক্রয় সুযোগ সনাক্ত করতে ভবিষ্যদ্বাণীমূলক বিশ্লেষণ ব্যবহার করা শুরু করেছে, নিরাপত্তা সহ ঝুঁকি ব্যবস্থাপনায় অনুরূপ কৌশল কম সাধারণ।
শ্রেণীবিন্যাস অ্যালগরিদম, ভবিষ্যদ্বাণীমূলক বিশ্লেষণের একটি সাধারণ শ্রেণী, নিরাপত্তা-সম্পর্কিত পরিদর্শন এবং রক্ষণাবেক্ষণ ডেটার উপর ভিত্তি করে, মূলত অগ্রণী সূচকগুলির উপর ভিত্তি করে নিরাপত্তা ঘটনার সময় এবং অবস্থানের পূর্বাভাস দিয়ে পরিশোধন এবং পেট্রোকেমিক্যাল শিল্পের জন্য বিশেষভাবে উপযোগী হতে পারে। এই পদ্ধতির সাথে যুক্ত দুটি প্রধান চ্যালেঞ্জ রয়েছে: (1) নিশ্চিত করা যে পরিমাপ করা অগ্রণী সূচকগুলি প্রকৃতপক্ষে ক্র্যাশের পূর্বাভাস দেয় এবং (2) অগ্রণী সূচকগুলিকে ঘন ঘন পরিমাপ করা যা ভবিষ্যদ্বাণীমূলক মান রয়েছে।
নিয়মিত আপডেট করা পরিদর্শন ডেটা ব্যবহার করে, লজিস্টিক রিগ্রেশন ব্যবহার করে একটি মডেল তৈরি করা যেতে পারে। এইভাবে আপনি একটি মডেল তৈরি করতে পারেন, উদাহরণস্বরূপ, ট্র্যাকের প্রতিটি মাইলের জন্য রেল ব্যর্থতার সম্ভাবনার পূর্বাভাস দিতে। অতিরিক্ত ডেটা সংগ্রহ করা হলে সম্ভাব্যতা আপডেট করা হতে পারে।
রেল ব্যর্থতার পূর্বাভাসিত সম্ভাব্যতা ছাড়াও, একই মডেলের সাহায্যে আমরা ভেরিয়েবলগুলিকে বৃহত্তর ভবিষ্যদ্বাণীমূলক বৈধতার সাথে সনাক্ত করতে পারি (যেগুলি রেল ব্যর্থতায় উল্লেখযোগ্যভাবে অবদান রাখে)। মডেলের ফলাফলগুলি ব্যবহার করে, আপনি ঠিক কোথায় রক্ষণাবেক্ষণ, পরিদর্শন এবং মূলধনের উন্নতির সংস্থানগুলিতে ফোকাস করতে হবে এবং এই ক্রিয়াকলাপের সময় কোন বিষয়গুলিকে মোকাবেলা করতে হবে তা সনাক্ত করতে সক্ষম হবেন।
একই পদ্ধতিটি পরিশোধন এবং পেট্রোকেমিক্যাল শিল্পে দুর্ঘটনার পূর্বাভাস এবং প্রতিরোধের মাধ্যমে ঝুঁকি পরিচালনা করার জন্য ব্যবহার করা যেতে পারে, শর্ত থাকে যে সংস্থাগুলি:
ভবিষ্যদ্বাণীমূলক বিশ্লেষণ হল একটি বিস্তৃত ক্ষেত্র যা মেশিন লার্নিং সহ বিভিন্ন শাখার দিকগুলিকে অন্তর্ভুক্ত করে,কৃত্রিম বুদ্ধি, পরিসংখ্যান এবং ডেটা মাইনিং. ভবিষ্যদ্বাণীমূলক বিশ্লেষণ বৃহৎ ডেটা সেটের নিদর্শন এবং প্রবণতাগুলিকে উন্মোচন করে৷ এক ধরনের ভবিষ্যদ্বাণীমূলক বিশ্লেষণ, শ্রেণিবিন্যাস অ্যালগরিদম, পরিশোধন এবং পেট্রোকেমিক্যাল শিল্পের জন্য বিশেষভাবে উপকারী হতে পারে।
শ্রেণিবিন্যাস অ্যালগরিদমগুলিকে তত্ত্বাবধানে থাকা মেশিন লার্নিং হিসাবে শ্রেণীবদ্ধ করা যেতে পারে। তত্ত্বাবধানে শেখার সাথে, ব্যবহারকারীর একটি ডেটাসেট রয়েছে যাতে ভবিষ্যদ্বাণীমূলক ভেরিয়েবলের পরিমাপ অন্তর্ভুক্ত থাকে যা পরিচিত ফলাফলের সাথে লিঙ্ক করা যেতে পারে। এই নিবন্ধের কেস স্টাডি বিভাগে আলোচিত মডেলটিতে, ট্র্যাকের প্রতিটি মাইলের জন্য একটি সময়কালে বিভিন্ন ট্র্যাক পরিমাপ (যেমন বক্রতা, ক্রসিং) নেওয়া হয়েছিল। পরিচিত ফলাফল, এই ক্ষেত্রে, সেই দুই বছরের সময়কালে প্রতিটি রেল মাইলে একটি ট্র্যাক ব্যর্থতা ঘটেছে কিনা।
তারপরে একটি উপযুক্ত মডেলিং অ্যালগরিদম নির্বাচন করা হয় এবং ডেটা বিশ্লেষণ করতে এবং ভবিষ্যদ্বাণীমূলক নিয়ম (একটি মডেল) তৈরি করতে পরিবর্তনশীল পরিমাপ এবং ফলাফলের মধ্যে সম্পর্ক সনাক্ত করতে ব্যবহৃত হয়। একবার তৈরি হয়ে গেলে, মডেলটিকে অজানা ভবিষ্যদ্বাণীকারী ভেরিয়েবল এবং ফলাফলের পরিমাপ সহ একটি নতুন ডেটাসেট দেওয়া হয় এবং তারপরে মডেলের নিয়মের উপর ভিত্তি করে ফলাফলের সম্ভাব্যতা গণনা করা হবে। এটিকে তত্ত্বাবধানহীন শিক্ষার প্রকারের সাথে তুলনা করা হয়, যেখানে অ্যালগরিদম ব্যবহার করা অ্যালগরিদম ব্যতীত ব্যবহারকারীর কাছ থেকে কোনও নির্দিষ্ট দিকনির্দেশ ছাড়াই ডেটাসেটে প্যাটার্ন এবং প্রবণতা সনাক্ত করে।
সাধারণ শ্রেণিবিন্যাস অ্যালগরিদমের মধ্যে রয়েছে লিনিয়ার রিগ্রেশন, লজিস্টিক রিগ্রেশন, ডিসিশন ট্রি, নিউরাল নেটওয়ার্ক, সাপোর্ট ভেক্টর/ফ্লেক্সিবল ডিসক্রিমিন্যান্ট মেশিন, নেভ বেইস ক্লাসিফায়ার এবং আরও অনেক কিছু। লিনিয়ার রিগ্রেশনগুলি কীভাবে একটি শ্রেণিবিন্যাস অ্যালগরিদম কাজ করে তার একটি সহজ উদাহরণ প্রদান করে। একটি রৈখিক রিগ্রেশনে, বিদ্যমান ডেটা পয়েন্টের উপর ভিত্তি করে একটি সেরা ফিট লাইন গণনা করা হয়, লাইন সমীকরণ ay = mx + b প্রদান করে। পরিচিত চলক (x) প্রবেশ করা অজানা পরিবর্তনশীল (y) এর জন্য একটি পূর্বাভাস প্রদান করে।
বাস্তব জগতে ভেরিয়েবলের মধ্যে বেশিরভাগ সম্পর্ক রৈখিক নয়, তবে জটিল এবং অনিয়মিত আকারের। অতএব, রৈখিক রিগ্রেশন প্রায়ই দরকারী নয়। অন্যান্য শ্রেণিবিন্যাস অ্যালগরিদমগুলি আরও জটিল সম্পর্কের মডেলিং করতে সক্ষম, যেমন বক্ররেখা বা লগারিদমিক সম্পর্ক। উদাহরণস্বরূপ, একটি লজিস্টিক রিগ্রেশন অ্যালগরিদম জটিল সম্পর্কের মডেল তৈরি করতে পারে, অ-সংখ্যাসূচক ভেরিয়েবল (যেমন, বিভাগগুলি) অন্তর্ভুক্ত করতে পারে এবং প্রায়শই বাস্তবসম্মত এবং পরিসংখ্যানগতভাবে বৈধ মডেল তৈরি করতে পারে। একটি লজিস্টিক রিগ্রেশন মডেলের সাধারণ আউটপুট হল ফলাফল/ইভেন্ট ঘটানোর পূর্বাভাসিত সম্ভাবনা। অন্যান্য শ্রেণিবিন্যাস অ্যালগরিদমগুলি লজিস্টিক রিগ্রেশনের অনুরূপ আউটপুট প্রদান করে, তবে প্রয়োজনীয় ইনপুটগুলি অ্যালগরিদমের মধ্যে আলাদা।
জটিল সম্পর্কের মডেলিং ঝুঁকি ব্যবস্থাপনায় বিশেষভাবে উপযোগী, যেখানে ঝুঁকিকে সাধারণত একটি নির্দিষ্ট ফলাফলের সম্ভাব্যতা এবং সম্ভাব্য তীব্রতার উপর ভিত্তি করে অগ্রাধিকার দেওয়া হয়। সেই ফলাফলে অবদান রাখে এমন ঝুঁকির কারণগুলির মডেলিং ফলাফলের সম্ভাব্যতার একটি সুনির্দিষ্ট এবং পরিসংখ্যানগতভাবে বৈধ অনুমানে পরিণত হয়। বিপরীতে, অনেক ঝুঁকি মূল্যায়ন "সম্ভাব্যতা" পরিমাপ করে একটি শ্রেণীগত স্কেলে (দশকে একবার, বছরে একবার, বছরে কয়েকবার), যা কম সুনির্দিষ্ট, আরও বিষয়ভিত্তিক, এবং ঝুঁকিতে উপস্থিত ঝুঁকিগুলির মধ্যে পার্থক্য করা অসম্ভব করে তোলে। একই বিস্তৃত বিভাগ। ঝুঁকি মূল্যায়নে সম্ভাব্য তীব্রতা পরিমাপযোগ্যভাবে মূল্যায়ন করার জন্য অন্যান্য কৌশল রয়েছে, তবে এটি এই নিবন্ধের সুযোগের বাইরে।
BlogInnovazione.it
অ্যাপল ভিশন প্রো কমার্শিয়াল ভিউয়ার ব্যবহার করে ক্যাটানিয়া পলিক্লিনিকে একটি চক্ষুরোগ অপারেশন করা হয়েছিল...
রঙের মাধ্যমে সূক্ষ্ম মোটর দক্ষতার বিকাশ শিশুদের লেখার মতো জটিল দক্ষতার জন্য প্রস্তুত করে। রঙ…
নৌ সেক্টর একটি সত্যিকারের বৈশ্বিক অর্থনৈতিক শক্তি, যা 150 বিলিয়ন বাজারের দিকে নেভিগেট করেছে...
গত সোমবার, ফাইন্যান্সিয়াল টাইমস ওপেনএআই-এর সাথে একটি চুক্তি ঘোষণা করেছে। FT তার বিশ্বমানের সাংবাদিকতার লাইসেন্স দেয়...
